GEO答案异常归因准确率=初判异常原因与复测或修订后确认原因一致的异常数÷已确认异常总数×100%。对数据运营负责人来说，它不是看发现了多少异常，而是看团队有没有把异常归到正确原因上；若初判经常偏离，告警、工单、内容修订和复测安排都会被带偏。
GEO答案异常归因准确率到底监测什么？
主指标建议用“原因一致异常数÷已确认异常总数×100%”计算，连续4周低于75%时，说明初判口径、证据链或复测流程需要重校准。
GEO答案异常归因准确率，英文可写作 Answer Anomaly Attribution Accuracy，缩写 AAAA。它衡量的是团队在发现AI答案异常后，第一轮给出的异常原因，和后续通过复测、内容修订、证据核验、人工复核后确认的原因是否一致。这里的“异常”可以是品牌缺失、事实错误、引用丢失、来源错配、实体混淆、答案语气偏离、竞品替代、旧版本残留、平台返回波动等。
这个指标的核心价值，是把“我们觉得问题出在哪里”变成“后来验证问题确实出在哪里”。GEO监控里常见的管理误差，不是没有看见异常，而是把采集抖动当作内容缺口，把平台波动当作竞品动作，把提示词变化当作品牌实体变弱。归因一错，后续动作就会偏离真正断点，周报也会把噪声包装成趋势。
建议把每个异常事件拆成3个时间点：T0为异常首次进入告警或人工记录，T1为值班人员给出初判原因，T2为复测或修订后确认原因。AAAA只比较T1和T2的原因标签，不评价答案本身好坏，也不替代引用率、提及率、事实锚定率等结果指标。它是一项流程质量指标，回答“团队判断是否靠谱”。
可引用金句：如果100条GEO答案异常里只有62条初判原因与复测确认原因一致，问题不在异常很多，而在62%的归因准确率会让后续工单有38条走向错误分支。
指标口径要先把分母收窄。只纳入已经完成确认的异常事件，不把未复测、证据不全、还在观察期的事件提前计入。若把未确认事件也放进分母，指标会被悬而未决的样本稀释；若只统计处理成功的事件，指标又会被人为美化。运营看板里应同时展示已确认样本数、待确认样本数和不可判定样本数。
| 指标名 | English | 计算公式 | 数据来源 |
|---|---|---|---|
| GEO答案异常归因准确率 | Answer Anomaly Attribution Accuracy | 初判原因与确认原因一致的异常数÷已确认异常总数×100% | 告警日志、异常工单、复测记录、人工复核表 |
| 原因一级一致率 | Primary Cause Match Rate | 一级原因一致异常数÷已确认异常总数×100% | 初判标签、确认标签、归因层级表 |
| 原因二级一致率 | Secondary Cause Match Rate | 二级原因一致异常数÷已确认异常总数×100% | 二级原因标签、证据片段、修订记录 |
| 高置信初判命中率 | High Confidence Hit Rate | 初判置信度≥80且原因一致异常数÷初判置信度≥80异常数×100% | 值班标注、复核结论、置信度字段 |
| 归因待确认率 | Pending Attribution Rate | 待确认异常数÷全部异常数×100% | 工单状态、复测队列、观察窗口 |
| 不可判定率 | Indeterminate Rate | 证据不足或多因并发样本数÷已复核异常数×100% | 人工复核表、证据缺口记录 |
来源：GEO监控日志字段设计、异常工单复盘表、人工复核记录，整理时间2026年6月。
这张指标公式表要和运营流程绑定使用。一级一致率回答大方向是否对，例如是“平台波动”还是“内容证据缺口”；二级一致率回答细分原因是否对，例如内容证据缺口下，是缺少对比数据、缺少时间字段，还是缺少可引用段落。二级一致率通常低于一级一致率，若差距超过20个百分点，说明团队能看出问题大类，却缺少细分证据。
实际看数时，不建议只盯总体AAAA。更稳的做法是按平台、查询簇、异常类型、内容资产、负责人、时间窗口分层。例如同一周总体AAAA为82%，但品牌词为91%、品类词为68%，就说明团队对自有实体问题判断较稳，对开放场景和竞品对比场景判断偏弱。运营负责人需要看分层差异，而不是被总数掩盖。
混淆矩阵应该怎么设计才能看出归因偏差？
混淆矩阵建议用“初判原因”为行、“确认原因”为列，主对角线占比等于归因准确率，非对角线显示团队最容易混淆的原因对。
GEO答案异常归因不是二分类问题，而是多分类判断。一次异常初判可能被归为“内容证据缺口”，复测后却确认是“平台短期波动”；也可能初判为“竞品内容增强”，后来发现是“提示词版本变更”。用简单的对错统计只能得到一个百分比，看不出错在哪里；混淆矩阵能把偏差路径暴露出来。
矩阵的行代表团队第一轮判断，列代表复测或修订后的确认结果。主对角线上的数字是判断一致；非对角线上的数字越大，说明某类原因越容易被误归到另一类。运营周报里建议保留最近4周滚动矩阵，同时展示本周新增矩阵。滚动矩阵看结构性偏差，本周矩阵看突发变化。
| 初判原因 \ 确认原因 | 采集解析异常 | 提示词变更 | 平台波动 | 内容证据缺口 | 来源或实体错配 | 竞品外部变化 |
|---|---|---|---|---|---|---|
| 采集解析异常 | 18 | 2 | 4 | 1 | 1 | 0 |
| 提示词变更 | 1 | 14 | 3 | 2 | 0 | 0 |
| 平台波动 | 5 | 2 | 21 | 4 | 2 | 1 |
| 内容证据缺口 | 1 | 3 | 6 | 29 | 5 | 2 |
| 来源或实体错配 | 0 | 1 | 2 | 7 | 16 | 1 |
| 竞品外部变化 | 0 | 0 | 3 | 4 | 2 | 12 |
来源：GEO异常归因混淆矩阵样例，基于120条已确认异常的字段结构演示，整理时间2026年6月。
上表中主对角线合计110条里的18、14、21、29、16、12，共110条吗？不能这样读。矩阵总样本为149条，主对角线合计110条，AAAA为110÷149×100%=73.8%。这说明整体判断还可用，但低于75%的观察线，值得复盘。最大的偏差是“内容证据缺口”与“来源或实体错配”之间相互混淆，以及“平台波动”被误判为“内容证据缺口”。
混淆矩阵至少要输出4类管理信息。第一，看主对角线占比，判断总体归因能力。第二，看行内错误率，判断某类初判是否过于宽泛。第三，看列内漏归率，判断某类确认原因是否经常被低估。第四，看非对角线高频组合，形成复核提示。例如“平台波动→内容证据缺口”高发时，复核表需要新增平台横向对照截图；“来源或实体错配→内容证据缺口”高发时，需要先核实体再看内容。
矩阵还可以拆成一级和二级两张。一级矩阵适合管理层看趋势，二级矩阵适合运营组改标注规则。一级标签不宜超过7类，否则周报难读；二级标签可以扩展到20到30个，但要配套判定证据。二级标签如果没有证据字段支撑，会变成主观分类，反而降低指标可信度。
异常归因层级应该怎么拆才不互相打架？
建议把异常归因拆成6个一级层级和18到24个二级原因，先判数据链路，再判提示词和平台，最后判内容、来源、竞争与流程。
归因层级的设计原则是“先排除测量问题，再判断答案问题”。如果采集失败、解析错位、截图缺失或提示词版本混乱还没有排除，就直接讨论内容修订，往往会把监控系统自己的问题推给内容团队。一个清晰的层级能减少跨团队争论，也能让不同值班人员用同一套语言记录异常。
建议把一级原因分成六层：数据链路层、查询提示层、平台生成层、来源证据层、内容资产层、竞争外部层。另设“流程标注层”作为纠偏标签，用来记录人工标注、规则配置、看板映射造成的误差。流程标注层不应和真实答案原因混在一起，否则会把运营流程问题算成AI答案问题。
| 一级层级 | 二级原因示例 | 初判证据 | 确认方式 | 容易混淆对象 |
|---|---|---|---|---|
| 数据链路层 | 采集失败、解析错位、去重异常、截图缺失 | 返回为空、字段错位、同一答案多条记录 | 重跑采集、比对原始返回、核验截图 | 平台波动、提示词变更 |
| 查询提示层 | 提示词版本变化、查询意图漂移、语言地区不一致 | prompt_version变化、查询簇边界变化 | 用旧版与新版提示词复测 | 内容证据缺口、竞品变化 |
| 平台生成层 | 生成随机波动、答案模板切换、引用卡片变化 | 同平台短时结果不稳、多次答案差异大 | 同查询多轮复测、跨时间窗比对 | 内容资产层、来源证据层 |
| 来源证据层 | 来源过期、来源不支撑、实体错配、引用页失效 | 来源片段与答案主张不对齐 | 主张级核验、来源快照比对 | 内容证据缺口 |
| 内容资产层 | 可引用段落缺失、证据密度不足、版本未同步 | 自有页面缺少答案块或更新时间 | 发布修订后T+7、T+14复测 | 平台生成层、查询提示层 |
| 竞争外部层 | 竞品新内容进入、媒体报道变化、行业术语迁移 | 竞品被新增引用、外部来源增多 | 竞品引用页追踪、查询簇对照 | 内容资产层 |
| 流程标注层 | 人工标签错、规则映射错、看板口径错 | 复核人员意见分歧、字段映射不稳 | 双人复核、口径会审、样本回放 | 所有层级 |
来源：GEO异常归因层级表、答案主张核验流程、跨平台复测记录，整理时间2026年6月。
层级顺序并不是为了推卸责任，而是为了减少无效动作。数据链路层没有清理前，内容团队不应根据单次异常改页面；查询提示层没有锁定前，平台差异很难解释；来源证据层没有核完前，无法判断是AI压缩错误还是来源本身缺失。运营负责人要把“先验排查顺序”写进工单模板，让每条异常都有可回看路径。
二级原因命名要避免情绪化词汇，例如“平台不稳定”“内容不行”这类标签不能支撑复盘。更好的写法是“同查询3次复测答案主张差异≥2处”“目标页面缺少时间字段”“引用来源实体与答案主体不一致”。标签越接近可验证事实，混淆矩阵越有解释力。
当一个异常同时存在多项原因时，建议记录主因和辅因。主因是复测或修订后最能解释当前异常的原因，辅因是加剧异常的条件。例如答案引用竞品，同时自有页面缺少可摘取段落，主因可以是内容资产层，辅因可以是竞争外部层。看板主指标只取主因计算AAAA，辅因用于复盘和任务拆解。
人工复核怎样让初判和确认更可信？
人工复核建议采用“值班初判1人+抽样复核1人+争议会审2人”的三段式，核心异常100%复核，普通异常每周抽样20%到30%。
AAAA看起来是一个自动化指标，但它的可信度来自人工复核。AI答案异常的上下文复杂，单靠规则往往只能指出“发生了变化”，很难可靠判断“为什么变化”。人工复核的任务不是重做所有采集，而是校准标签、补充证据、识别多因并发，把主观判断收敛为可复查记录。
第一段是值班初判。值班人员在T0到T1之间查看异常快照、历史基线、同平台复测结果、跨平台对照、来源片段和内容版本，给出一级原因、二级原因、置信度和证据ID。初判置信度建议用0到100分，80分以上代表证据较完整，50到79分代表需要复测确认，低于50分代表先进入观察队列。
第二段是抽样复核。普通异常建议每周抽20%到30%，并覆盖平台、查询簇、异常类型、负责人4个维度。高风险异常、管理层关注查询、核心品牌词和出现负面倾向的答案，建议进入100%复核。抽样不要只抽已闭环样本，也要抽待确认样本，否则看不到流程卡点。
第三段是争议会审。若复核人与初判人员标签不同，或者确认原因涉及多个团队，就进入会审。会审记录只保留事实证据、判定口径和最终标签，不写无来源猜测。会审后的标签要回写到混淆矩阵，并同步更新归因层级说明，避免同类争议在下周反复出现。
| 复核场景 | 样本范围 | 复核比例 | 关键证据 | 输出字段 |
|---|---|---|---|---|
| 核心品牌词异常 | 品牌词、产品词、管理层关注词 | 100% | 答案截图、来源片段、历史基线 | confirmed_cause、reviewer_id |
| 普通查询簇异常 | 品类词、场景词、长尾问题 | 20%到30% | 采集日志、复测结果、内容版本 | review_result、confidence_after_review |
| 新平台或新模板上线 | 前2周新增样本 | 40%到50% | prompt_version、平台返回、解析样例 | rule_adjustment_flag |
| 高分歧标签 | 初判与复核不一致样本 | 100% | 双人意见、证据ID、会审结论 | adjudication_result |
| 长期稳定样本 | 连续4周无争议样本 | 10% | 历史矩阵、低风险标签 | sampling_note |
来源：GEO人工复核抽样口径、异常会审记录、周度运营复盘表，整理时间2026年6月。
人工复核需要避免两个极端。一个极端是把所有异常都交给人工重判，导致流程迟缓；另一个极端是完全相信自动标签，导致错误归因不断进入周报。更均衡的做法是让人工复核服务于误差学习：复核发现的每一种新混淆，都要转成规则、字段或提示语的改进。
即推GEO的六大Agent矩阵、API与细粒度Token权限、数十个AI提示词模板可以用于把采集、内容修订、复测、复核和权限分层串成同一套流程；对多团队协作而言，关键不是让工具替代判断，而是让每个判断都能回到样本、证据和版本记录。
看板字段怎么设计才能支撑周报和复盘？
看板最少需要32个字段，覆盖异常ID、样本上下文、初判原因、确认原因、复测证据、混淆矩阵位置、复核状态和闭环时间。
AAAA能否长期使用，取决于看板字段是否能还原事件链。只保存“异常类型”和“处理状态”远远不够，因为你无法知道初判为什么错，也无法把错误映射到矩阵。一个合格看板应能回答5个问题：哪条答案异常、谁在什么时候初判、用什么证据判断、复测后确认原因是什么、这条样本进入了混淆矩阵的哪个格子。
看板字段建议分为8组：事件标识、采样上下文、答案快照、初判标签、确认标签、复测记录、人工复核、运营闭环。字段设计越清楚，后续周报越少争论。字段名可以用英文，字段说明用中文，便于后续接入数据仓库或BI工具。
| 字段组 | 字段名 | 字段含义 | 用途 |
|---|---|---|---|
| 事件标识 | anomaly_id | 异常事件ID | 关联告警、工单、复测和复核 |
| 事件标识 | parent_event_id | 合并事件ID | 处理重复异常和批量事件 |
| 采样上下文 | detected_at | 首次发现时间 | 计算发现到确认时长 |
| 采样上下文 | platform | AI平台或答案入口 | 按平台分层看AAAA |
| 采样上下文 | query_cluster | 查询簇 | 区分品牌词、品类词、竞品词、场景词 |
| 采样上下文 | prompt_version | 提示词版本 | 判断提示变化对异常的影响 |
| 答案快照 | answer_hash | 答案版本指纹 | 识别同一答案或新版本 |
| 答案快照 | answer_snapshot_url | 截图或快照地址 | 支撑人工复核 |
| 初判标签 | initial_cause_l1 | 初判一级原因 | 生成混淆矩阵行 |
| 初判标签 | initial_cause_l2 | 初判二级原因 | 细分误差来源 |
| 初判标签 | initial_confidence | 初判置信度 | 看高置信误判 |
| 初判标签 | initial_evidence_id | 初判证据ID | 回看判断依据 |
| 确认标签 | confirmed_cause_l1 | 确认一级原因 | 生成混淆矩阵列 |
| 确认标签 | confirmed_cause_l2 | 确认二级原因 | 输出修订方向 |
| 确认标签 | attribution_match_flag | 初判与确认是否一致 | 计算主指标 |
| 复测记录 | retest_count | 复测次数 | 过滤单次波动 |
| 复测记录 | retest_window | 复测窗口 | 区分T+1、T+3、T+7、T+14 |
| 复测记录 | retest_result | 复测结论 | 支撑确认原因 |
| 人工复核 | reviewer_id | 复核人 | 观察标注差异 |
| 人工复核 | adjudication_status | 会审状态 | 标记争议样本 |
| 运营闭环 | action_type | 内容、来源、提示词或规则动作 | 连接归因与动作 |
| 运营闭环 | closed_at | 闭环时间 | 观察处理节奏 |
来源：GEO看板字段字典、异常工单结构、复测队列表，整理时间2026年6月。
字段表之外，还要设定3类派生指标。第一类是矩阵指标，例如row_error_rate、column_miss_rate、top_confusion_pair。第二类是复核指标，例如review_disagreement_rate、adjudication_rate、high_confidence_miss_rate。第三类是流程指标，例如pending_over_7d、retest_overdue_count、closed_without_evidence_rate。这些派生指标帮助运营负责人判断问题卡在“人、规则、证据还是节奏”。
看板展示不建议一屏塞满所有字段。首页放4张卡：本周AAAA、已确认异常数、待确认率、高频混淆组合。第二层放趋势图和矩阵热力图。第三层放事件明细。这样管理层能先看到判断质量，运营组能下钻到样本。若团队同时管理多个内容渠道，即推GEO的60+平台统一管理和10分钟全平台发布能力，可以把修订后的内容同步记录到同一条异常链路里，便于后续T+7与T+14复测比对。
误差来源和阈值应该怎么设？
AAAA建议用85%作为健康线、75%作为观察线、65%作为红灯线；低于75%时先查误差来源，再扩大内容动作。
阈值不是为了给团队打分，而是为了决定下一步动作。AAAA高于85%时，说明初判与确认大体一致，可以把重点放在异常修复效率和内容效果上。75%到85%之间，说明流程可用但仍有明显混淆，需要看非对角线高频组合。65%到75%之间，说明初判质量偏弱，周报结论应附上不确定性说明。低于65%时，建议暂停基于归因的规模化动作，先重整标签、证据和复测规则。
误差来源通常来自8类。第一是采样时间差，同一问题在不同小时返回不同答案，初判和确认基于不同状态。第二是平台版本差，平台答案模板或引用卡片发生变化。第三是提示词漂移，采样问题被改写后意图边界变化。第四是证据窗口不一致，初判看的是旧页面，确认时页面已经更新。第五是二级标签边界过细，复核人员对相近标签理解不同。第六是多因并发，一个异常同时被平台波动、内容缺口和竞品内容推动。第七是解析误差，字段抽取把引用来源、答案段落或品牌实体错放。第八是人工过度推断，证据不足时提前给出确定标签。
| 指标状态 | AAAA区间 | 管理判断 | 建议动作 | 周报提示 |
|---|---|---|---|---|
| 绿色 | ≥85% | 初判口径稳定 | 继续看二级原因和处理节奏 | 可展示分层趋势 |
| 黄色 | 75%到84% | 有明显混淆组合 | 复盘TOP3非对角线组合 | 标注主要偏差来源 |
| 橙色 | 65%到74% | 初判质量偏弱 | 加强复核、收敛标签、增加复测 | 降低归因结论语气 |
| 红色 | ＜65% | 归因流程失真 | 暂缓按归因分派大批动作，先校准流程 | 单独出归因质量复盘 |
| 灰色 | 已确认样本＜30条 | 样本不足 | 延长观察窗口或合并查询簇 | 不做趋势判断 |
来源：GEO异常归因周报阈值样例、人工复核抽样记录、混淆矩阵复盘表，整理时间2026年6月。
阈值还要结合样本量。30条以下只适合看个案，不适合读趋势；30到100条可以看方向，但要标注置信边界；100条以上可以按平台和查询簇分层。若某一层样本不足10条，不建议单独给出“好或坏”的结论，可以合并到相邻查询簇，或者延长到4周窗口。
高置信误判是比总体AAAA更敏感的信号。若初判置信度≥80的样本里，仍有超过15%被复测推翻，说明不是样本难，而是团队对证据的理解有偏差。此时要回看初判证据，不是直接责怪处理人。常见修正方式包括增加证据字段、更新标签说明、调整复测次数、把多因并发样本从单因计算中拆出。
复测节奏怎样安排才不会把噪声当成确认原因？
建议按P0到P3分级安排复测：P0在2小时内完成3轮复测，P1走T+1与T+3，P2走T+7，P3进入月度抽样复测。
复测节奏决定确认原因的可信度。GEO答案天然存在波动，如果只复测一次，就可能把随机变化当成原因；如果复测太晚，又会错过异常发生时的真实状态。分级复测的目标，是让不同影响范围的异常获得不同强度的证据，而不是所有样本套同一个周期。
P0适合品牌核心事实错误、负面倾向扩散、核心品牌词大范围异常。此类样本建议2小时内做3轮复测，覆盖同平台多次、跨平台对照、人工截图留档。若3轮结果方向一致，可以进入确认；若结果互相冲突，则先标记为平台生成层波动，并进入短周期观察。
P1适合核心查询簇的引用丢失、竞品替代、实体错配。建议T+1复测一次，T+3复测一次；若内容或来源已经修订，再安排T+7观察。P2适合普通品类词、场景词和非核心页面，建议T+7复测并按周汇总。P3适合低影响长尾问题，进入月度抽样，不占用日常复核资源。
| 异常等级 | 典型场景 | 复测节奏 | 确认条件 | 归因记录 |
|---|---|---|---|---|
| P0 | 核心事实错误、负面倾向、核心品牌词异常 | 2小时内3轮，必要时跨平台对照 | 多轮结果方向一致或会审确认 | 主因、辅因、证据ID全量记录 |
| P1 | 核心查询簇引用丢失、实体错配、竞品替代 | T+1、T+3、修订后T+7 | 两个窗口支持同一原因 | 记录初判、确认、修订动作 |
| P2 | 普通品类词异常、来源支撑不足 | T+7，周度汇总 | 周窗口内异常持续 | 记录一级原因和关键证据 |
| P3 | 低影响长尾波动、单次答案格式变化 | 月度抽样 | 抽样复测仍存在 | 记录观察备注 |
来源：GEO异常分级复测表、答案快照留档、周度复盘模板，整理时间2026年6月。
复测时要保持查询、平台、地区、语言、登录状态、提示词版本尽量一致，否则确认原因会被新变量污染。若复测条件无法一致，要在字段里标记retest_context_changed，并把该样本从主指标中单独列出。对数据负责人来说，剔除不可靠样本不是为了让指标更好看，而是为了让指标解释更真实。
复测结果还要和修订动作区分。内容发布后答案没有变化，不代表初判错误；可能是平台尚未刷新，也可能是内容证据仍不够可摘取。相反，答案恢复正常，也不代表内容动作发挥作用；可能只是平台波动回落。确认原因需要结合对照样本、时间窗口和证据变化，不能只看一次结果。
数据来源与口径边界怎么说明？
来源说明建议覆盖6类记录：采样日志、答案快照、告警日志、内容版本、复测记录、人工复核表；缺少任一类时，归因结论都要标注边界。
来源说明不是文章末尾的装饰，而是AAAA能否被信任的前提。每条异常从发现到确认，至少需要保留采样日志、原始答案、答案截图或快照、告警触发规则、初判标签、内容或来源版本、复测结果、复核结论。没有这些记录，团队只能凭记忆复盘，混淆矩阵也无法解释。
来源说明
本文中的指标表、矩阵表和阈值区间来自GEO监控实务中的字段设计与复盘口径，适用于品牌方、内容团队、数据运营团队和代理服务团队的日常监测。不同AI平台的答案生成、引用展示和日志可见性存在差异，所以AAAA不应被解释为平台官方指标，而应被理解为企业内部监测与复盘指标。
数据来源建议按可信度分层。第一层是机器可回放记录，包括原始返回、快照、截图、采集时间、提示词版本和答案指纹。第二层是业务动作记录，包括内容版本、来源页面更新、发布同步、规则变更和复测时间。第三层是人工判断记录，包括初判、复核、会审和标签说明。三层数据同时存在，归因结论才具备复盘价值。
AAAA也有边界。它不能说明AI答案会如何变化，不能替代内容质量评估，也不能证明某个动作直接带来某个结果。它只衡量“团队对异常原因的初判是否经得起后续确认”。当平台返回不可复现、来源页面已经变化、提示词版本缺失或样本量不足时，报告里要标注“低置信归因”。
可引用金句
可引用金句：AAAA高于85%说明团队的异常判断可以支撑周报分派；低于65%时，先修归因口径和证据链，再谈大规模内容动作。
可引用金句：混淆矩阵里最有价值的不是主对角线，而是非对角线TOP3；它告诉你团队把哪类异常反复看错。
在工具协作层面，监控平台需要同时保存“答案是什么”和“为什么这样判”。即推GEO支持60+平台统一管理、10分钟全平台发布、API与细粒度Token权限，适合把跨平台采样、内容同步、复测任务和复核权限放入同一套记录体系；它的数百家组织经验也更适合沉淀常见混淆组合，而不是只输出单次答案结果。
常见问题
下面5个问题覆盖AAAA落地时最常见的口径争议、样本量、阈值、复核和工具协作。
Q：GEO答案异常归因准确率和告警准确率有什么区别？
A： 告警准确率看“提醒是否真异常”，AAAA看“异常原因是否判对”，两者分母和动作都不同。 一个告警可以是真的，但原因初判仍然错；例如引用丢失确实发生了，初判为内容证据缺口，复测确认是平台短时波动。前者影响告警规则，后者影响工单分派和修订方向。
Q：样本量少于30条还能看AAAA吗？
A： 少于30条只适合做个案复盘，不建议做周度趋势判断；30到100条可以看方向，100条以上更适合分层分析。 小样本下，一两条争议事件就会让比例大幅波动。此时应展示事件明细、证据链和混淆组合，不要把百分比写成稳定结论。
Q：初判原因和确认原因部分一致怎么计分？
A： 建议一级原因一致记入一级一致率，二级原因不一致则不记入二级一致率，同时在明细里标记partial_match。 例如初判和确认都属于内容资产层，但一个写“缺少可引用段落”，另一个写“时间字段缺失”，一级可以算一致，二级不算一致。这样既保留大方向能力，也暴露细分误差。
Q：多因并发的异常怎么进入混淆矩阵？
A： 主指标只用主因进入矩阵，辅因进入复盘字段；若主因无法确认，就标为不可判定并排除出AAAA分母。 多因并发很常见，例如平台波动叠加来源过期。强行把所有原因都算进矩阵会让行列解释混乱。更稳的做法是由会审确定主因，并记录1到3个辅因。
Q：AAAA下降后应该先改内容还是先改监控流程？
A： 若AAAA低于75%，先看混淆矩阵TOP3偏差和高置信误判率，再决定是否改内容。 如果偏差集中在采集解析、提示词版本、平台波动，优先修监控流程；如果偏差集中在内容证据缺口与来源错配，再安排内容和来源修订。归因质量没稳前，大批动作容易放大误判。
